基于华塑cae的汽车饰件注塑工艺优化.docxVIP

基于华塑cae的汽车饰件注塑工艺优化 0 完善工艺参数的方法，提高产品的质量 雕塑形成是一种复杂的非线性形成问题。由于塑料特性和产品形状的复杂性，目前基于工作人员经验和cae分析确定的工艺参数方法无法满足日益增长的总体质量要求。为了改善工艺参数，需要进行生产实践。 1 产品工艺分析 1.1 制造模型特点 产品模型为某汽车用饰件，产品选用材料牌号为ABS-H2938，该材料具有着良好的刚性和韧性，被广泛应用于汽车饰件的制造中。该模型的外形尺寸为197 mm×120 mm×42 mm，平均壁厚为1.779 mm，最小壁厚为0.539 mm，最大壁厚为4.358 mm，具体模型二维图如图1a所示。产品对尺寸精度和外表面质量均要求较高，饰件的4个位置需要与其他饰件完成高精度匹配如图1b所示，注塑缺陷翘曲、缩水和应力等缺陷均会造成匹配程度较低等质量问题。 1.2 网格修复检查及验证 将产品模型转换为STL文件后导入至Hs Mesh中，按照自动模式进行网格划分，采用表面三角网格划分模型，划分后单元数共计19 176个，利用自带网格评价进行检查，零面积单元、自由边界、长高比及零厚度满足要求。利用网格修复工具对孤立元素和相交错误，手动进行调整修复，网格全部正常通过。 经过Hs CAE模流分析得出模型最佳的进浇位置，根据产品特点和外观要求，选择一模两腔潜伏式进浇的方法，在上下模仁内部设置环形冷却水路直径为8 mm，间距为20 mm，采用水冷冷却。该产品模型在Hs CAE下完成了浇注系统及冷却系统的构建，同时完成了边界条件的设置。华塑CAE有限元模型的构建如图2所示。 2 正交试验的优势 2.1 遗传算法寻优试验 正交试验可以利用有限的试验次数，快速确定了最佳的试验参数组合，为神经网络训练提供了样本源，为遗传算法提供了寻优区间范围，是一种高效的试验方法 2.2 影响综合评分的因素 利用Minitab软件确定的L 在汽车用塑件成型中，翘曲量、局部缩水和残余应力是3个影响产品质量的关键性因素，在设计过程中需要重点关注。由于这3个指标所表征的物理属性不一样，无法直接优化目标，需要通过引入隶属度对其进行综合评价 式中:x为指标值;i为对应指标的序号，i为1,2,3;j为试验序号;P为综合评分;μ 根据对塑件匹配和性能的影响情况，结合实际生产经验确定各个指标权重，三者权重值分别为ω 由表4可知，通过Minitab软件计算得到了均值、方差和排秩值，影响综合评分的因素排序为CAEFBD，即保压压力模具温度保压时间冷却时间熔体温度充模时间。图3为各因素对综合评分影响，其中，保压压力和模具温度的曲线斜率较大，对综合评分影响最显著。因此，当模具温度与熔体温度温差较大，或者在冷却过程中温度变化过大时，塑料分子间会产生较大的内应力，导致宏观的翘曲变形和收缩。利用正交试验得到的最佳注塑工艺参数如下:模具温度为80℃、熔体温度为210℃，保压压力为95 MPa、充模时间为0.7 s、保压时间为25 s、冷却时间为35 s、最大翘曲量为0.27 mm、体积收缩率为0.046 4、残余应力为25.32 MPa、综合评分0.063。正交试验优化后翘曲变形量如图4所示。 3 神经网络bp模型的构建 3.1 不同层节点数的bp神经网络 BP神经网络对非线性系统具有较好的建模能力，由Kolmogorov定理可知，由输入层、S型隐含层和线性输出层组成的3层神经神经网络可以逼近任意复杂的非线性连续函数 式中:m为隐藏层节点数;a为输入层节点数;b为输出层节点数;n为1～10之间常数。 对隐藏节点数不同的神经网络进行训练，经综合比较发现，m=10时网络拟合度较好，性能优异。BP神经网络通过多次训练和测试，建立了6-10-3三层神经网络。输入层节点数为6个，分别是模具温度、熔体温度、保压压力、充模时间、保压时间、冷却时间。单层隐藏层节点数10个。输出层节点数3个，即翘曲变形量、缩水和残余应力。建立BP拓扑结构如图5所示。 3.2 网络模型的培训和验证 正交试验是一种标准化的科学试验方法，具有样本均衡分散和整齐对比性的特点 4 基于遗产挖掘方法的优势 4.1 代次寻优方法 遗传算法是一种借鉴进化论和遗传学说来模拟生物进化机制的计算模型，通过随机全局搜索和优化以获得最优解的方法 在遗传算法求解的过程中，每一条染色体代表一种解，采用对应的个体适应度值衡量解的优劣，适应度函数为目标函数的变换，其变化收敛过程就是寻优过程。在每一代的迭代计算过程中，依托于遗传算子对染色体进行选择、交叉和变异，保留优解，淘汰较差的解，从而得到包含解集的新种群。新种群从总体而言，优于上一代，使整个解集逐步向最优解的方向发展，其寻优过程如图7所示。 4.2 网络输出 通过BP神经网络训练的网络为6-10-3类型网络，输出为3